인과적 사후 확률 추정
Causal Posterior Estimation
본 논문에서는 가능도 함수(likelihood function)의 계산이 다루기 힘들거나(intractable) 연산 비용이 많이 들지만 매개변수 값이 주어졌을 때 출력을 생성하는 것은 간단한 시뮬레이터 모델을 위한 새로운 베이지안 추론(Bayesian inference) 방법인 인과적 사후 확률 추정(Causal Posterior Estimation, CPE)을 제시합니다. CPE는 플로우 매칭(flow matching)을 사용하여 사후 분포(posterior distribution)를 근사하는 동시에, 모델의 그래피컬 표현으로 유도되는 조건부 의존성 구조를 신경망 아키텍처에 직접 통합합니다. 광범위한 실험을 통해 이러한 조건부 의존성을 데이터로부터 학습하도록 요구하는 대신 신경망에 하드코딩함으로써, CPE가 최첨단(SOTA) 베이스라인과 대등하거나 이를 능가하는 매우 정확한 사후 추론을 달성할 수 있음을 입증합니다.